电-热综合能源系统（Integrated Electric-heat System,IEHS）可以实现能量的梯级利用,提高能源的利用效率,从而引起了广泛关注与深入研究。为实现对IEHS的感知与监测,构建面向多能源的能量管理系统（Energy Management System,EMS）是必要的,而状态估计是能量管理系统的重要组成部分,可以为IEHS的实时分析、优化调度等提供精确可靠的运行状态信息。因此,需要在传统电力系统状态估计的基础上,考虑IEHS中不同能源系统的特点,提出适用于IEHS的状态估计方法,从而为IEHS的决策与调度提供高精度的数据。本文对深度学习在IEHS状态估计中的应用进行了研究,主要研究工作如下:（1）对IEHS的物理模型、基于模型驱动的状态估计方法和所用深度学习算法进行了研究与论述。其中,对IEHS中电力系统、热力系统和耦合设备的数学模型分别进行了介绍;结合IEHS的物理模型,对基于模型驱动的状态估计方法进行了论述,并进一步分析了模型驱动算法的不足,以引出所用深度学习算法;对本文所用深度学习算法的原理进行了介绍。（2）针对已有模型驱动算法的局限性,本文提出了一种基于知识引导深度神经网络（Deep Neural Network,DNN）的状态估计方法。该方法面向热力系统量测间隔为常规分钟级的IEHS,针对系统内部节点和耦合节点的不同特性,选择不同的知识进行数据筛选,通过该知识引导DNN训练的方法获取与状态估计目标高相关的参数进行模型训练。另外,针对数据量测过程中可能出现的量测丢失的情况,提出了丢失数据重建方法。对随机量测丢失与非随机量测丢失这两种情况进行讨论,分别使用历史数据均值和DNN算法进行数据重建。仿真结果表明,所提状态估计算法具有更好的准确度与泛化性能,且所提丢失量测重建算法有效抑制了量测丢失对状态估计的影响。（3）针对IEHS量测时间尺度不匹配的情况,本文提出了一种考虑量测时间尺度差异的状态估计方法。该方法面向大量测间隔热力系统,考虑了热力系统参数的不同特性,使用不同算法获取热力系统量测间隔的运行状态估计值。面向供热温度,使用DNN执行电-热耦合设备状态估计,抑制量测坏数据的影响,使用差分法实现状态估计。面向热功率与回水温度,首先使用修正Akima插值算法对历史数据进行填充,之后使用长短期记忆（Long Short-Term Memory,LSTM）神经网络算法对时序特性进行学习。在线应用阶段使用所提基于插值法修饰的LSTM算法进行状态估计。仿真结果表明,该算法所得状态估计结果具有良好的精确度,可以准确反应量测间隔中的系统运行状态,以提高热力系统运行数据的获取频率。